Aulas

Cada tópico de aula possui slides de aula executáveis em formato .ppsx, slides em formato .pdf e um notebook Jupiter executável (.ipynb) (em Python) relacionados aos subtópicos listados. Eventualmente, arquivos Python auxiliares necessários para execução do Jupiter também serão fornecidos.

1 - Introdução à Inteligência Artificial

2 - Busca global cega

3 - Busca global com heurísticas

4 - Busca local (gradiente)

5 - Busca local (populacional)

6 - Minimax e Monte Carlo Tree Search

7 - Expect(min)imax

8 - Processo de decisão markoviano

9 - Aprendizagem por reforço

10 - Inferência precisa e Sistemas de Produção

11 - Modelos probabilísticos temporais (Cadeias de Markov) e Modelos Escondidos de Markov (HMM)

12 - Raciocínio probabilístico (Redes Bayesianas)

13 - Teoria da Decisão Bayesiana

14 - Introdução ao Aprendizado de Máquina

15 - Discriminantes Lineares

16 - Regressão Logística

17 - Aprendizado probabilístico (Naïve Bayes)

18 - Árvores de Decisão (e Florestas Aleatórias)

19 - Métodos baseados em distância (K vizinhos mais próximos - KNN)

20 - Regressão Linear

21 - Modelos descritivos (agrupamento)


Exercícios

Teoria 01
Teoria 02
Teoria 03
Teoria 04
Teoria 05
Teoria 06
Teoria 07
Prática 01
Prática 02
Prática 03
Prática 04
Prática 05
Prática 06

*Para acesso às soluções dos exercícios práticos e teóricos, contactar o autor por e-mail.


Sobre o autor

Professor Associado IV (DCOMP/UFS)
Bolsista de Produtividade CNPq
hendrik@dcomp.ufs.br

CIÊNCIA para tudo.
EDUCAÇÃO para todos.